L'insegnamento introduce i principali problemi di machine learning, sia supervisionato che non supervisionato, assieme agli algoritmi utilizzati per risolverli. L'obiettivo è fornire una solida comprensione delle definizioni fondamentali dei problemi, delle proprietà statistiche degli algoritmi, e delle tecniche computazionali utilizzate. Tramite sessioni di laboratorio, gli studenti sperimenteranno l’implementazione pratica su dati reali e sintetici, e verranno stimolati a fornire un'interpretazione critica dei risultati, favorendo così lo sviluppo di capacità analitiche e autonomia metodologica.
Fornire gli strumenti per la comprensione teorica e l’utilizzo pratico dei principali algoritmi di apprendimento supervisionato e non supervisionato.
Al termine dell'insegnamento, lo studente avrà acquisito
Gil obiettivi formativi delle lezioni di laboratorio sono
Analisi per funzioni di più variabili, Algebra Lineare e Probabilità.
L'insegnamento sara' organizzato in lezioni frontali alla lavagna (circa 2/3) in cui i docenti introdurranno i concetti fondamentali ed illustreranno i diversi tipi di algoritmi. In parallelo, saranno svolte delle lezioni in laboratorio (circa 1/3), in cui gli studenti potranno sperimentare il comportamento degli algoritmi visti a teoria da un punto di vista pratico. Gli studenti con certificazioni DSA sono invitati a contattare docente e referente per la disabilità per concordare eventuali modalità didattiche individuali.
L'insegnamento fornisce le nozioni necessarie per la comprensione e l'utilizzo dei principali algoritmi di apprendimento. Verranno introdotte le definizioni fondamentali relative ai problemi di apprendimento supervisionato e non supervisionato. Poi verranno presentati alcuni approcci per l'apprendimento statistico supervisionato, come metodi locali e regularization networks, sia nel caso lineare che nonlineare. Verranno altresì introdotte le reti neurali. Il corso conterrà anche un'introduzione a problemi di apprendimento non supervisionato, come clustering a dimensionality reduction. Gli argomenti trattati dal punto di vista teorico, saranno affrontati anche da un punto di vista numerico durante le lezioni in laboratorio.
Il corso contribuisce al raggiungimento dei seguenti obiettivi di sviluppo sostenibile dell"agenda ONU 2030
Hastie, Tibshirani and Friedman. Elements of statistical learning
Shalev-Shwartz and Ben-David. Understanding Machine Learning: from Theory to Algorithms
Ricevimento: Su appuntamento: parlare direttamente con il docente oppure scrivere a silvia.villa@unige.it
Dal 17 febbraio 2025 secondo l'orario riportato qui
Esistono due modalità d'esame: la prima consiste nello svolgere delle verifiche scritte (e di laboratorio) intermedie che prevedano l'utilizzo dei concetti introdotti durante l'insegnamento. Il voto finale si calcola come la media delle valutazioni dei report sui laboratori e delle prove intermedie (nel caso tutte e tre le prove siano sufficienti). Lo studente può decidere se completare l'esame con una prova orale oppure mantenere il voto ottenuto con lo scritto ed il laboratorio. Nel caso la valutazione dei report sui laboratori non siano sufficienti, questi devono essere corretti e riconsegnati. Nel caso in cui una delle prove scritte non sia sufficiente, lo studente può decidere di svolgere una prova orale sulla parte insufficiente, o una prova orale su tutto il programma.
La seconda modalità consiste nello svolgimento della sola prova orale al termine dell'insegnamento su tutto il programma svolto, oltre alla consegna di tutti i report sui laboratori.
Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali e forniscano idonei strumenti compensativi.
Lo svolgimento degli esercizi e la prova orale sono finalizzate a verificare il raggiungimento da parte dello studente di una sufficiente capacità critica ed autonomia di ragionamento nell'ambito del machine learning e pertanto consistono di esercizi e di domande teoriche che prevedano la comprensione e l'utilizzo dei concetti appresi. Le prove in laboratorio consistono in notebooks che permettono l'implementazione e l'utilizzo guidato degli algoritmi introdotti a teoria.
Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.
